风光火蓄联合发电系统日前优化调度研究

李雄威，顾佳伟，王 昕，徐家豪，李庚达，王文彬

（1.国家能源集团新能源技术研究院有限公司，北京市 102209；2.华北电力大学控制与计算机工程学院，北京市 102206）

0 引言

近年来，随着我国风电、光伏发电的装机规模不断增长，新能源并网消纳面临较大挑战[1，2]。火电作为我国主力电源，其深度调峰是促进新能源消纳的重要手段。抽水蓄能电站作为目前最具经济性的大规模储能设施，具有运行灵活、清洁高效的优点，对于提升新能源的消纳能力也具有重要作用[3，4]。

针对火电、抽水蓄能与新能源的多能互补问题，国内外学者已开展一些研究。文献[5]构建了抽水蓄能-风-光-火联合运行系统日前优化调度模型，得到多种工作场景下日前优化调度结果。文献[6]建立了风光水火蓄联合优化调度模型，并对春夏秋冬4个典型日进行仿真计算。文献[7]构建了含风光水气火蓄的多能源电力系统日运行优化调度方法。

然而，上述文献只考虑火电基本调峰过程。本文建立火电全过程调峰成本，构建了考虑火电深度调峰的风光火蓄联合发电系统日前优化调度模型。通过对某夏冬典型日进行仿真计算，得到风光火蓄联合发电系统优化调度结果，并研究抽水蓄能对于系统运行的影响。

1 火电机组深度调峰成本计算模型

为应对大规模具有随机性、波动性和间歇性的新能源并网，火电机组将面临深度调峰运行新工况，需要建立考虑火电机组深度调峰的成本计算方法。火电机组的调峰过程根据其出力状态，分为基本调峰阶段和深度调峰阶段。而深度调峰阶段按照调峰深度与燃烧介质又分为投油深度调峰阶段和不投油深度调峰阶段，如图1所示。其中，Pmax为机组出力最大值，Pmin为基本调峰阶段机组出力最小值，Pb为不投油深度调峰阶段机组出力最小值，Pa为投油深度调峰阶段机组出力最小值。

图1 火电机组调峰阶段示意图Figure 1 Schematic diagram of the peak shaving stage of thermal power units

对于基本调峰阶段，火电机组的调峰成本主要包括燃料成本和启停成本，一般采用二次方公式对煤耗与运行负荷的关系进行拟合。因而火电机组调峰成本为：

式中： Ng——火电机组总台数；

w——燃煤单价；

ai、bi、ci——第i台火电机组的煤耗系数；

T——调度周期；

ugit——t时段火电机组i的启停状态变量，ugit=1表示机组i处于开机状态，ugit=0表示机组i处于关停状态；

机组运行在深度调峰阶段时，火电机组运行煤耗会有较大增加[8]。为了考虑火电机组深度调峰运行工况对煤耗的影响，对于深度调峰阶段，引入火电机组出力的三次方函数描述火电机组的燃料成本，公式如下：

2 风光火蓄联合发电系统的日前优化调度模型

2.1 目标函数

为了降低系统削峰填谷成本，以系统调峰成本最小为目标，即：

2.2 约束条件

2.2.1 火电机组约束

2.2.3 抽水蓄能电站约束

（1）抽水蓄能电站出力约束。

（2）水库能量平衡约束。

设抽水蓄能转换效率为 ηG，取75%，单日水库总能量保持平衡，即抽水蓄能机组抽发平衡（其发电量等于抽水电量的75%）：

式中：TG——抽水蓄能发电工况运行时间段。

2.2.4 系统功率平衡约束

不考虑系统网络损耗条件下，风电、光伏、火电与抽水蓄能出力之和等于实时负荷，即

3 算例分析

3.1 算例设置

本文针对含高比例新能源的风光火蓄联合发电系统进行日前优化调度研究。风光火蓄联合发电系统的结构图如图2所示。其中，风电场的装机容量为800MW，光伏电站的装机容量为700MW；火电机组的装机容量为1000MW，参与深度调峰，调峰深度为额定容量的30%；抽水蓄能电站的装机容量为300MW。

图2 风光火蓄联合发电系统结构图Figure 2 Structure diagram of wind-photovoltaic-thermalpumped storage combined power generation system

算例选取某夏日和冬日作为负荷典型日，并以1h为1个调度时段。典型日负荷、风电及光伏发电的出力预测曲线及净负荷曲线如图3所示。由图3（a）可知，夏日负荷在全天波动较大，负荷峰谷差为372.67MW，负荷波动方差为17412.99MW2。由于风电出力的反调峰性及光伏出力的大幅变化，导致净负荷具有更大波动，净负荷峰谷差达到655.77MW，负荷波动方差为43307.36MW2。由图3（b）可知，冬日负荷在全天也具有明细波动性，负荷峰谷差为305.53MW，负荷波动方差为8503.85MW2。由于风电出力的反调峰性及光伏发电出力的大幅变化，导致净负荷具有更大波动，净负荷峰谷差达到574.68MW，负荷波动方差为26015.07MW2。由此可知，风电及光伏发电的出力波动给火电机组调峰带来较大困难。

图3 风电预测出力、光伏预测出力及典型日负荷和净负荷曲线Figure 3 Wind power forecasting output，photovoltaic forecasting output and typical daily load and net load curves

为验证本文提出的优化调度模型的有效性，针对夏日 和冬日两个负荷典型日进行仿真计算，建立以下3种调度模型进行对比分析。模型1：以风光出力最大为优化目标，风、光、火联合运行，无抽水蓄能。模型2：以系统运行成本最低为优化目标，风、光、火联合运行，无抽水蓄能。模型3：系统运行成本最低为优化目标，抽水蓄能、风、光、火联合运行（本文模型）。在Matlab环境中通过YALMIP工具箱调用CPLEX求解器对3种优化调度模型进行求解。

3.2 优化调度结果分析

夏季典型日三种不同模型的输出功率如图4所示。模型1以风电、光伏联合出力最大为优化目标，不考虑抽水蓄能，通过火电机组深度调峰和快速变负荷运行，能够实现“削峰填谷”，如图4（a）所示。模型2以系统运行成本最低为优化目标，不考虑抽水蓄能，在净负荷的“低谷时段”通过弃风弃光，火电机组由深度调峰改善为基本调峰，如图4（b）所示。模型3以系统运行成本最低为优化目标，考虑抽水蓄能，在净负荷的“低谷时段”通过抽水蓄能电站启动水泵抽水进行储能，火电机组由深度调峰改善为基本调峰，如图4（c）所示。

图4 夏季典型日三种模型的输出功率Figure 4 Output power of the three models on a typical day in summer

夏季典型日三种模型的优化结果如表1所示。由表1可知，模型1以风电、光伏联合出力最大的优化目标，弃电率为0，但由于不考虑抽水蓄能，净负荷波动方差和峰谷差没有改善。火电机组需要进行不投油深度调峰和投油深度调峰，导致运行成本最高，达到482.81万元。模型2以净负荷波动最小为优化目标，净负荷波动方差和净负荷峰谷差降低，使得火电机组的运行成本降低，但由于不考虑抽水蓄能，出现了明显的弃风弃光，新能源弃电率达到12.41%。模型3以净负荷波动最小为优化目标，由于储能参与调节，弃电率为0，净负荷波动方差和净负荷峰谷差也明显下降，使得系统运行成本最低，为377.23万元。

表1 夏季典型日三种模型的优化调度结果Table 1 Optimal scheduling results of three models for typical days in summer

冬季典型日三种不同模型的输出功率如图5所示。同样，模型1以风电、光伏联合出力最大为优化目标，通过火电机组深度调峰和快速变负荷运行，实现风光的全额消纳，如图5（a）所示。模型2以系统运行成本最低为优化目标，通过弃风弃光，火电机组在部分时段的调峰深度得以改善，如图5（b）所示。模型3以系统运行成本最低为优化目标，抽水蓄能在净负荷的“低谷时段”辅助火电机组调峰，火电机组运行在基本调峰阶段，如图5（c）所示。

图5 冬季典型日三种模型的输出功率Figure 5 Output power of the three models on a typical day in winter

冬季典型日三种模型的优化结果如表2所示。由表2可知，模型1以风电、光伏联合出力最大的优化目标，弃电率为0，但净负荷波动方差和峰谷差没有改善。火电机组需要进行不投油深度调峰，导致运行成本最高，达到470.89万元。模型2以净负荷波动最小为优化目标，通过弃风弃光降低净负荷波动方差和净负荷峰谷差，使得火电机组的运行成本降低。相比于夏季典型日，由于净负荷波动方差和净负荷峰谷差较低，新能源弃电率有所降低，达到7.37%。模型3以净负荷波动最小为优化目标，由于储能参与调节，弃电率为0，净负荷波动方差和净负荷峰谷差最低，使得系统运行成本最低，为348.85万元。

表2 冬季典型日三种模型的优化调度结果Table 2 Optimal scheduling results of three models for typical winter days

4 结论

本文建立了火电机组全过程调峰成本计算方法，构建了考虑火电深度调峰的风光火蓄联合发电系统日前优化调度模型。对某夏冬典型日的优化调度策略进行求解，并与不考虑抽水蓄能的风光火联合发电系统进行比较，研究抽水蓄能对于系统运行的影响。结果表明，本文所建立的模型能够对不同典型日的风光火蓄优化调度策略进行求解；通过抽水蓄能的调节作用，能够减少弃风弃光，平抑净负荷波动，从而缓解火电机组的调峰压力降低，降低系统运行成本。